劉峻瑜，李家成，孟世楨，王文富，田亞萍，賈 偉

（貴州大學 大數(shù)據(jù)與信息工程學院，貴州 貴陽 550000）

0 引 言

隨著汽車保有數(shù)量的增加，城市中出現(xiàn)了停車位吃緊、增長緩慢無法適應市民停車需求的問題。為了緩解停車資源總量匱乏的現(xiàn)象，許多城市會在非主要干道邊設立臨時停車泊位。雖然路邊停車泊位是公共資源，但部分車主長期停靠在路邊，甚至將車位占為己有，導致周邊部分群眾無處停車。為此，部分地區(qū)通過對車位收費的方法來改善這一現(xiàn)象，進而發(fā)揮路邊車位臨時?？空镜挠猛?。

由于路邊車位分布較為分散，進出位置不統(tǒng)一，與封閉式停車場不同，很難對一部分區(qū)域的多個車位進行統(tǒng)一管理。因此，對于路邊車位的管理大多采用人工收費的方式，這一方面增加了車位管理的人工成本，另一方面人工收費不僅容易出現(xiàn)操作失誤，而且個人所能管理的區(qū)域也有限，若想全面管理只能增加人力成本。綜上所述，本文提出采用具備車牌識別功能的巡檢機器人對停車場進行管理，此舉不僅降低了成本，更通過搭載的車牌識別算法，在一定程度上提高了車牌識別的準確率。

1 系統(tǒng)總體設計

巡檢機器人[1]以樹莓派作為核心，同時包含紅外循跡模塊、藍牙通信模塊、攝像模塊以及電機驅動模塊等。此外，在每個車位上安裝了超聲波測距模塊和藍牙通信模塊，便于檢測車位使用情況并能實現(xiàn)與機器人信息同步。

首先，系統(tǒng)通過安裝在車位上的超聲波模塊檢測車位被占用情況，當有車輛停靠時，即超聲波模塊測得距離小于閾值開始計時，同時通過藍牙通信方式與巡檢機器人同步。其次，機器人得知車位被占用后利用紅外循跡功能沿停車線來到車位測量前方合適位置。再次，機器人通過配備的攝像頭對車牌拍照，通過提前寫入樹莓派的集成學習車牌識別算法進行處理，獲得車牌信息。最后，當車輛離開時，超聲波模塊檢測到距離大于閾值后，結束計時，并同步到巡檢機器人。至此，我們便可獲知該車位在某個時間段內被某輛汽車占用。系統(tǒng)工作環(huán)境如圖1 所示。

圖1 車牌識別過程俯視圖

2 基于集成學習的車牌識別算法設計

本項目通過高斯濾波器、基于Sobel 算子的邊緣檢測等手段對圖像進行預處理[2-3]，處理后的圖像將基于色度值進行車牌定位，算法利用顏色比例實現(xiàn)數(shù)據(jù)驅動的顏色劃分[4]；然后基于仿射變換對定位后的車牌進行矯正并分割[5-6]。最后，經(jīng)過分割的車牌圖像將被輸入車牌識別模塊進行字符分類。為提高模型的準確性以及魯棒性，降低方差，我們提出了基于支持向量機[7]（Supporting Vector Machine），KNN[8]以及卷積神經(jīng)網(wǎng)絡[9]（CNN）集成學習算法的車牌識別方法，我們依據(jù)公式（1）采用絕對投票法對分割后的字符進行分類[10]。

算法流程如圖2 所示。

圖2 集成學習算法流程

3 系統(tǒng)硬件設計

機器人系統(tǒng)硬件主要包括：放置于車位上的超聲波測距模塊和藍牙通信模塊；集成于機器人上的紅外循跡模塊、藍牙通信模塊、攝像頭模塊以及電機驅動模塊等。

3.1 超聲波測距模塊

超聲波傳感器能夠發(fā)射超聲波并接收反射回的超聲波信號。利用發(fā)射與接收的時間差以及傳播速度，即可計算傳感器到障礙物的距離。單片機向超聲波傳感器發(fā)送脈沖，超聲波傳感器被此脈沖觸發(fā)后會產生一個40 kHz 的脈沖電信號，通過激勵換能器處理后，轉換成機械振動，頻率超20 kHz，由此形成了超聲波。

該信號經(jīng)錐形“輻射口”處將超聲波信號發(fā)射出去。接收器接收到反射回來的超聲波信號后，將超聲波變成微弱的電振蕩，并將信號放大，得到所需的脈沖信號，此脈沖信號再返回給單片機。HC-SR04 超聲波傳感器能夠檢測到0.6 m以內物體的接近和離開，其工作狀態(tài)示意如圖3 所示。

圖3 測距傳感器工作狀態(tài)示意圖

3.2 紅外循跡模塊

循跡模塊主要用于“循跡小車”，使小車能沿著畫好的軌跡前進。循跡傳感器依靠內部的紅外發(fā)射器和接收器實現(xiàn)對紙面黑/白的監(jiān)測。當監(jiān)測到較暗顏色時，模塊輸出端為高電平；當監(jiān)測到較亮顏色時，模塊輸出端為低電平。機器人帶有兩組紅外尋跡模塊，第一組檢測停車線1，確保小車可以沿著停車線1 行駛。第二組紅外檢測模塊用于檢測停車線2，當檢測到停車線2 時，機器人停在指定停車位的側前/后方，對車牌拍照并識別。紅外循跡模塊工作狀態(tài)如圖4 所示。

圖4 紅外循跡模塊工作狀態(tài)示意圖

4 實驗與結果分析

系統(tǒng)的車牌識別算法用Python 語言設計實現(xiàn)。為了能夠對車牌識別系統(tǒng)做出客觀評價，以公式（2）作為評價指標。

車牌定位成功率為R：

式中：r代表系統(tǒng)成功識別的車牌數(shù)量；s為送入系統(tǒng)的車牌圖像總數(shù)量。系統(tǒng)正確識別率直接反映該系統(tǒng)車牌識別的能力。SVM 機器學習算法識別結果見表1 所列，集成學習識別算法結果見表2 所列。

表1 SVM 機器學習算法識別結果

表2 集成學習識別算法結果

經(jīng)過對一百多張車牌圖像進行識別，發(fā)現(xiàn)算法在改進前后識別成功率分別為60%和71%，通過集成學習的方法將車牌識別算法的成功率提高了10%。程序運行界面如圖5所示。

圖5 識別效果

5 結 語

本文針對路邊停車場這種非封閉式停車場，設計了一款具備車牌識別和自動巡線功能的停車場巡檢機器人。本系統(tǒng)能極大程度代替人工對路邊車位實行監(jiān)管，成本低廉，且易于維護。但系統(tǒng)仍然存在不足，如功能少、車牌識別算法精度有待進一步提高等。